Bagaimana mempersonalisasi iklan untuk orang yang tidak Anda kenal sama sekali? Jawaban jujurnya: di level individu, tidak bisa. Tetapi Anda sangat bisa memahami orang-orang yang tertarik pada suatu kategori, dan mencocokkan pengguna baru dengan persona yang sesuai dari segelintir sinyal. Itulah inti strategi cold-start yang bisa dijalankan.
Betapa gigihnya industri mencari alternatif bagi data audiens klasik terlihat dalam pemberitaan terbaru Digiday: audiens sintetis beralih dari eksperimen ke perencanaan dan kerja strategi sehari-hari. Aveeno Body memakai riset sintetis Vurvey untuk memangkas waktu penyusunan brief strategi dari sekitar 30 hari menjadi tiga. Goodway Group memakai “populasi sintetis” konsumen dari AS, Inggris, dan Jerman milik Arima untuk perencanaan media.
Apa itu masalah cold-start dalam periklanan?
Istilah ini berasal dari dunia sistem rekomendasi. Sistem yang belajar dari perilaku membutuhkan perilaku untuk dipelajari – dan pengguna baru belum punya. Maka sistem menyajikan rata-rata: produk terlaris, pesan generik, iklan yang sedikit berhasil untuk semua orang dan tidak benar-benar berhasil untuk siapa pun.
Dalam periklanan, masalahnya makin berat. Beberapa browser memblokir cookie pihak ketiga secara default, banner persetujuan jadi bagian keseharian di Jerman, dan tidak semua orang mengeklik “Terima semua”. Jalan keluar klasik, segmen yang dibeli, kini lebih rumit menurut hukum perlindungan data dan toh tak banyak mengungkap mengapa orang membeli. Di kawasan DACH (Jerman, Austria, dan Swiss) yang dibentuk oleh GDPR, “kita beli saja lebih banyak data” bukan lagi strategi.
Mengapa lebih banyak data tidak menyelesaikan masalah
Riset kualitas data punya rumus yang sederhana untuk ini: data hanya sebaik kesesuaiannya dengan tujuan. Akurasi saja tidak cukup; data harus relevan, terkini, dan sesuai untuk pertanyaan yang spesifik. Dalam literatur, ini dikenal sebagai “fitness for use”.
Segmen yang dibeli seperti “perempuan, 25 hingga 34 tahun, tertarik pada kecantikan” dirumuskan dengan tepat. Namun untuk pertanyaan “Apa yang akan membuat orang ini mencoba produk kami?”, segmen itu nyaris tak berharga. Ia menggambarkan atribut, bukan motif. Keterlibatan lahir dari pemahaman, bukan angka.
Untuk cold start, artinya sumber daya yang menentukan bukanlah riwayat pengguna individu, melainkan gambaran yang kokoh tentang motif, kekhawatiran, dan bahasa di dalam kategori. Dan gambaran itu dapat disusun dari konten yang tersedia untuk publik.
Bagaimana persona dibangun dari konten publik?
Orang mengatakan secara terbuka cukup banyak hal tentang mengapa mereka membeli – atau tidak: di komentar di bawah postingan merek, di ulasan produk, di video kreator, di utas forum. Konten ini bisa dikumpulkan, dikelompokkan berdasarkan tema dan tension, lalu disarikan menjadi persona – dengan kutipan nyata, bukan profil rekaan.
Bedanya dengan persona workshop klasik: persona ini didasarkan pada apa yang benar-benar dikatakan orang, bukan pada apa yang diasumsikan tim tentang mereka. Digiday menggambarkan pendekatan yang berkaitan: untuk merek Sacheu, Limitless Labs menganalisis ribuan video TikTok dan Instagram dari ekosistem kreatornya untuk membangun persona.
Penting untuk pasar Jerman: persona seperti ini bekerja di level pola dan kelompok. Mereka tidak membutuhkan profil pengguna individu untuk memilih pesan pertama. Penilaian hukum atas pengaturan spesifik Anda tetap menjadi urusan penasihat perlindungan data Anda.
Pendekatan apa saja yang ada untuk cold start?
| Pendekatan | Basis data | Kekuatan | Kelemahan |
|---|---|---|---|
| Segmen pihak ketiga yang dibeli | Profil eksternal, cookie | Cepat tersedia | Sedikit wawasan tentang motif; rumit menurut hukum perlindungan data |
| Penargetan kontekstual | Lingkungan, waktu, lokasi, perangkat | Berfungsi tanpa data pribadi | Sedikit bicara tentang motivasi |
| Data zero-party | Jawaban dari kuis atau onboarding | Langsung dan berbasis persetujuan | Hanya dari mereka yang berpartisipasi; hambatan di funnel |
| Audiens sintetis | Model berbasis data survei, statistik, dan panel | Simulasi reaksi yang cepat | Tarikan ke arah rata-rata; kualitas bergantung pada data input |
| Persona dari konten publik | Komentar, ulasan, konten kreator, iklan pesaing | Motif dan bahasa nyata dari kategori | Memerlukan sinyal untuk mencocokkan pengguna individu |
Tidak ada satu pendekatan pun yang menyelesaikan masalah sendirian. Dalam praktik, persona dari konten publik menyediakan hipotesis, sinyal kontekstual menyediakan pencocokan, dan data first-party menyediakan konfirmasi.
Bagaimana menerapkan personalisasi cold-start dalam enam langkah?
- Kumpulkan percakapan kategori. Komentar, ulasan, konten kreator, dan iklan pesaing dari beberapa bulan terakhir – bukan hanya tentang merek, melainkan tentang seluruh kategori.
- Bangun persona dan tension. Kelompokkan konten berdasarkan motif dan kekhawatiran. Tiga hingga lima persona yang jelas berbeda sudah cukup untuk memulai.
- Tulis satu hipotesis per persona. Pesan apa, hook apa, penawaran apa yang cocok? Kembangkan setidaknya satu varian kreatif khusus untuk setiap persona.
- Tentukan sinyal pencocokan. Landing page, kata kunci pencarian, konteks, sumber kampanye, klik pertama: putuskan sinyal mana yang mengarah ke persona mana.
- Tayangkan dengan eksplorasi. Sisihkan sebagian penayangan untuk varian yang tidak sesuai dengan persona yang diasumsikan. Dengan begitu sistem terus belajar, bukan sekadar mengonfirmasi asumsinya sendiri.
- Umpankan kembali data first-party. Setiap interaksi menyempurnakan pencocokan. Perbarui persona secara berkala, karena percakapan berubah.
Seberapa berguna audiens sintetis untuk cold start?
Cukup berguna – jika Anda tahu batasnya. Dalam pemberitaan Digiday, bahkan para pelakunya menyampaikan keberatan: CEO Vurvey Chad Reynolds mengatakan bahwa model bahasa besar menghasilkan puncak kurva lonceng, dengan kata lain jawaban yang paling umum. Julie Clark dari TransUnion memperingatkan soal persona yang dibangun di atas data input yang buruk. Dan Stef Hoffman dari Code & Theory merangkumnya dengan tepat: hasilnya menginformasikan penilaian, tetapi tidak menggantikannya.
Di sinilah konten publik membuktikan nilainya. Ia bukan simulasi; ia bukti. Jika sebuah persona mengklaim bahwa orang di kategori Anda terutama takut salah membeli, Anda harus bisa melihat postingan tempat klaim itu berasal. Persona yang tak dapat dilacak hanyalah asersi.
Defy Monitor menempuh jalur ini: konten audiens dikelompokkan menjadi persona dan tension secara otomatis, dan perencanaan dimulai dari percakapan nyata, bukan demografi. Ini salah satu blok bangunan platform Defy, yang memberi agensi independen kapabilitas analitis yang sama dengan yang dibangun jaringan besar dengan biaya besar.
Bagaimana Anda tahu strategi cold-start Anda berhasil?
Bandingkan varian berbasis persona dengan kelompok kontrol generik. Metrik yang paling bermakna adalah angka awal pengguna baru: interaksi dengan iklan pertama, kedalaman kunjungan pertama, waktu hingga konversi pertama. Jika varian persona tidak unggul, itu bukan kegagalan melainkan petunjuk: entah personanya meleset, atau sinyal pencocokannya terlalu lemah.
